化工过程控制技术是维持化工生产过程平稳运行、实现经济效益最大化的重要保障。随着化工生产规模的日益扩大、生产方式的复杂化以及产品的精细化和多元化,传统的化工过程控制技术面临着建模难、优化难、计算效率低等问题。对此,基于人工智能的控制技术被认为是一种有潜力的解决方案。因此,针对化工过程发展智能控制技术具有重要的意义。强化学习是一种以优化原理为基础的人工智能技术,它通过交互进行学习,从而实现对复杂系统的控制与决策。近年来,随着人工智能技术与计算机并行计算能力的发展,结合了深度神经网络的强化学习技术已经在围棋领域战胜了顶级专家,同时在一些电子游戏中也达到了人类水平,因此获得了广泛的关注。科研人员也希望将强化学习的研究与应用延伸到化工过程控制领域,并认为强化学习将对过程控制领域,或更宽泛的过程操作领域产生重要的影响。然而,针对实际化工过程,现有的大多数强化学习算法在应用时仍然具有挑战性,本文关注其中三个具有挑战性的研究问题是:第一,算法采样（训练）效率低,导致学习过程资源开销大,无法实际在线应用;第二,难以处理化工过程中不可避免的大时滞问题;第三,缺乏对先验知识的利用,造成训练时间长,鲁棒性差的问题。针对现有强化学习算法采样效率低以及难以处理大时滞特性的问题,本论文首先提出了一种模型预测控制引导的强化学习控制方案。该方案一方面利用了模型预测控制来引导强化学习,以提高学习过程的采样效率。另一方面利用预测模型来提升强化学习处理大时滞问题能力。通过在大时滞线性系统上的仿真实验,验证了控制方案具有较高的采样效率,使得强化学习的训练时间缩短,同时获得了优于模型预测控制方案以及基准强化学习控制方案的控制性能。针对强化学习算法缺乏先验知识带来的问题,提出一种基于模型预测控制的模仿学习预训练策略,该方法通过离线的方式学习模型预测控制生成的历史数据,实现对先验知识的利用,通过线性系统的仿真实验证明了该方案能够为强化学习提供可接受的初始控制器,因此减少了强化学习探索的幅度且加速了强化学习的训练过程。为了验证上述方案的实用性,在典型的化工系统——连续搅拌反应釜上进行了控制方案的仿真实验。在其温度控制任务中,验证了本文提出的模型预测控制引导的强化学习控制方案的可行性与先进性。针对更为复杂的浓度控制任务,验证了模仿学习预训练策略的有效性,并通过引入事后经验回放方法,进一步提升了控制方案的易用性。本文提出的方案有望对强化学习技术应用于实际化工工业过程的研究与实践提供有益借鉴。